为解决推荐系统用户冷启动问题,提出面向冷启动用户的元学习与图转移学习序列推荐(sequential recommendation for cold-start users with meta graph transitional learning, MetaGTL)。MetaGTL在不使用其他辅助信息的前提下,采用图神...为解决推荐系统用户冷启动问题,提出面向冷启动用户的元学习与图转移学习序列推荐(sequential recommendation for cold-start users with meta graph transitional learning, MetaGTL)。MetaGTL在不使用其他辅助信息的前提下,采用图神经网络(graph neural network, GNN)建模序列间物品高阶关系生成用户物品嵌入;将交互序列构造为物品对集合,使用序列编码模块捕捉物品间的转移关系,动态建模用户兴趣;采用注意力机制,生成准确的用户特征;采用基于梯度的元学习方法训练模型,生成初始化模型;对模型的工作性能和结果进行详细分析,结合基线模型进行对比评价。试验结果表明,基于元学习与图转移学习的MetaGTL在缺少辅助信息的用户冷启动任务中具有更高的预测精度。展开更多
为解决推荐系统中数据稀疏造成的用户冷启动问题,文中提出了一种基于方面级用户偏好迁移的跨领域推荐算法(Cross-Domain Recommendation via Review Aspect-Level User Preference Transfer, CAUT),设计了基于两阶段生成对抗网络的用户...为解决推荐系统中数据稀疏造成的用户冷启动问题,文中提出了一种基于方面级用户偏好迁移的跨领域推荐算法(Cross-Domain Recommendation via Review Aspect-Level User Preference Transfer, CAUT),设计了基于两阶段生成对抗网络的用户方面级偏好跨领域迁移结构,通过用户历史评论挖掘用户细粒度方面级偏好。CAUT利用预训练源领域编码器参数对目标领域编码器进行参数初始化,在固定源领域编码器参数的同时引入领域鉴别器,以解决源领域与目标领域数据分布差异的问题,进而可以有效利用源领域的丰富数据,缓解目标领域数据稀疏造成的用户冷启动问题。在亚马逊电商平台真实数据集上进行了实验,结果表明,与最新算法相比,CAUT在用户对商品的评分预测均方根误差(RMSE)指标上有明显的提升,说明CAUT可有效缓解用户冷启动问题。展开更多
文摘为解决推荐系统用户冷启动问题,提出面向冷启动用户的元学习与图转移学习序列推荐(sequential recommendation for cold-start users with meta graph transitional learning, MetaGTL)。MetaGTL在不使用其他辅助信息的前提下,采用图神经网络(graph neural network, GNN)建模序列间物品高阶关系生成用户物品嵌入;将交互序列构造为物品对集合,使用序列编码模块捕捉物品间的转移关系,动态建模用户兴趣;采用注意力机制,生成准确的用户特征;采用基于梯度的元学习方法训练模型,生成初始化模型;对模型的工作性能和结果进行详细分析,结合基线模型进行对比评价。试验结果表明,基于元学习与图转移学习的MetaGTL在缺少辅助信息的用户冷启动任务中具有更高的预测精度。
文摘为解决推荐系统中数据稀疏造成的用户冷启动问题,文中提出了一种基于方面级用户偏好迁移的跨领域推荐算法(Cross-Domain Recommendation via Review Aspect-Level User Preference Transfer, CAUT),设计了基于两阶段生成对抗网络的用户方面级偏好跨领域迁移结构,通过用户历史评论挖掘用户细粒度方面级偏好。CAUT利用预训练源领域编码器参数对目标领域编码器进行参数初始化,在固定源领域编码器参数的同时引入领域鉴别器,以解决源领域与目标领域数据分布差异的问题,进而可以有效利用源领域的丰富数据,缓解目标领域数据稀疏造成的用户冷启动问题。在亚马逊电商平台真实数据集上进行了实验,结果表明,与最新算法相比,CAUT在用户对商品的评分预测均方根误差(RMSE)指标上有明显的提升,说明CAUT可有效缓解用户冷启动问题。
